XiaoMi-AI文件搜索系统
World File Search System成对的
遗传相互作用会影响酒精使用障碍
酒精使用障碍（AUD）已知具有重要的遗传成分，但其遗传力与全基因组关联研究的发现之间仍然存在很大的差距。有助于这一差距的一个潜在因素可能是遗传相互作用，或者是遗传相互作用，这在AUD的背景下在很大程度上没有探索。这项研究的目的是调查上毒在美国印第安人的易感性和严重性中的作用，美国印第安人在美国所有族裔中表现出最高的AUD率，我们首先确定了先前与酒精依赖性和AUD相关的基因，然后通过生物学网络扩展了该基因，最终构成了3,736 Genes and Congulation elements and Interialts。最终基因集被映射到742个人的美洲印第安人队列中的476K变体。，我们对变体集进行了成对的遗传相互作用关联分析，然后进行了双集群程序，将相互作用的SNP对分组为相互作用的间隔。总共确定了114对基因相互作用对，并确定调节元素与AUD严重程度显着相关。这些基因富含免疫系统，细胞粘附，神经元和疾病途径。他们的表情在中脑GABA能神经元中特别丰富。我们的研究代表了任何人群中AUD的首次大规模遗传相互作用研究。我们的发现表明，上毒可能有助于AUD的发展和发展。
![arXiv:2304.04106v1 [ed.IV] 4 月 8 日](/simg/c\c976a17a8c8510b56eac023ef34fc18fe9ddd97f.webp)
arXiv:2304.04106v1 [ed.IV] 4 月 8 日
摘要。获取和注释足够的标记数据对于开发准确且稳健的基于学习的模型至关重要，但在许多医学图像分割任务中，获取此类数据可能具有挑战性。一种有希望的解决方案是将真实数据与地面实况掩模注释合成。然而，之前没有研究探索过使用掩模生成完整的 3D 体积图像。在本文中，我们提出了 MedGen3D，这是一个可以生成成对的 3D 医学图像和掩模的深度生成框架。首先，我们将 3D 医学数据表示为 2D 序列，并提出多条件扩散概率模型 (MC-DPM) 来生成遵循解剖几何的多标签掩模序列。然后，我们使用以生成的掩模序列为条件的图像序列生成器和语义扩散细化器来生成与生成的掩模对齐的逼真的 3D 医学图像。我们提出的框架保证了合成图像和分割图之间的准确对齐。在 3D 胸部 CT 和脑部 MRI 数据集上进行的实验表明，我们的合成数据既丰富又忠实于原始数据，并展示了对下游分割任务的好处。我们预计，MedGen3D 合成配对 3D 医学图像和掩模的能力将在训练用于医学成像任务的深度学习模型方面发挥重要作用。
使用家庭高级...
图1多个系统萎缩的治疗方法这种形状说明了针对多系统萎缩（MSA）病理机制的各种治疗策略。MSA的特征是神经元丧失，神经胶质病和α-突触核蛋白夹杂物的积累。抗 - α突触核蛋白疗法包括 - 在诸如ANELE138B，清除剂，例如PD01A，PD03A，LU AF82422，TAK - 341和UB – 312和UB –312和UB –312和抑制方法之类的清除剂中的聚集。细胞疗法涉及修复和再生受损神经组织的间充质干细胞。能量代谢和INSU -LIN信号 - 靶向疗法包括脱齿素 - 4，泛氨醇和NAD +补充。抗炎性和神经保护疗法具有氟西汀，AAV2 - GDNF和KM819的化合物，可减少炎症并提供神经保护作用。细胞调节文本包括显示退化的神经元，α-突触核蛋白夹杂物，活化的星形胶质细胞和小胶质细胞，免疫 - 反应性T细胞，IM成对的线粒体，Pro - 炎性细胞因子，肌蛋白损失和髓质细胞质细胞胞质包含（GCIS）（GCIS）。此视觉代表提供了MSA中治疗策略及其细胞靶标的概述。
可解释的MEG的多阶级解码
磁脑电图（MEG）和脑电图（EEG）数据的多变量模式分析（MVPA）是了解大脑如何代表和区分不同刺激的宝贵工具。识别刺激的时空特征通常是这些分析的关键输出。此类分析主要使用线性，成对的滑动窗口解码模型进行。这些允许相对易于解释，例如通过估计解码准确性的时间课，但解码性能有限。另一方面，通常用于大脑计算机接口（BCI）应用程序的完整时期多类解码模型可以提供更好的解码性能。然而，此类模型的解释方法已经设计了较少的类别。在本文中，我们提出了一种将多类，完整的时期解码模型与监督维度降低相结合的方法，同时仍然能够使用置换功能重要性来揭示时空和光谱特征的贡献。至关重要的是，我们引入了一种进行监督维度降低的方法，以优化分类任务的神经网络中的输入特征，从而实质上改善了性能。我们使用图像演示文稿在3个不同的多类任务-MEG数据集上演示了该方法。我们的结果表明，该方法始终达到比滑动窗口解码器的峰精度更高的精度，同时估计MEG信号中相关的时空特征。
多量量子材料
另一方面，这个术语显然是在“量子技术”的受欢迎程度和快速发展的影响下出现的，通常称为“第二量子革命” [3]，涵盖了量子计算和交流。因此，在量子材料的定义中，出现的概念通常会因其量子应用的承诺而加强。经典的超导性是最著名的新兴现象，它是由语音（声波的量子）（声波的量子）成对的，它来自具有玻色子的对。So, while classical superconductors are the first example of quantum materials that come to mind, the novel superconductors: high-Tc cuprates (Cu-SC) [4] or iron-based pnictides and chalcogenides (Fe-SC) [5], exhibit the next level of emergent complexity, where ‘mul- tibanding', the multiple-band electronic structure, is important for both pairing mechanisms [6] and quantum applications [7]。超导量子计算机实施的潜力很明显，包括Google [8]和IBM [9]在内的主要计算机公司，使用经典的超级传导器（尤其是铝）开发其量子计算机。然而，他们面临的破坏性问题[10，11]，这些问题不太可能通过经典的超副核对器解决。在这种情况下，新型的多型超导体显示出巨大的希望。在这里，我们对新型量子材料（例如多型超导体和拓扑半理数）的多型效应进行了综述，以便深入了解其新兴特性背后的基本物理机制以及未来量子应用的发展。
桁架支撑正义奥运会激励学生大放异彩...
Corus Bi-Steel 赢得了其在英国的首份 Corefast 预制核心系统合同。它将为曼彻斯特的 Forty Springardens 办公楼开发项目提供电梯和楼梯核心。这个 9,385 平方米的投机办公楼开发项目将有两层地下室和九层地上建筑。Langtree 是开发商，Balfour Beatty Construction 是总承包商。Corefast 将用于提供一个四排中央电梯核心和一个单独的电梯和楼梯组合核心，贯穿地下室和地上前六层。上面三层将采用传统的支撑钢框架建造。施工将于 11 月开始。Corefast 使用 Corus Bi-Steel 面板，这种面板由成对的钢板组成，通过一系列钢筋连接，然后在现场填充混凝土。Balfour Beatty 的开发项目经理 Rob Todd 表示：“Corefast 的规范将大大简化这个项目的供应链。由于核心筒以预制模块的形式运送到现场，该系统将提供显著的时间、劳动力和设备利用率优势。”繁忙的市中心也将减少拥堵，高空作业的需求也将减少。第一个使用 Corefast 的项目是位于都柏林附近价值 2.76 亿英镑的 Dundrum 镇中心开发项目，该项目在五个工作日内完成了六层核心筒的建设（NSC 2005 年 2 月）。Forty Springardens 由 Aedas Architects 设计。结构工程师是
地图集文档
搜索使用140 fb - 1在√𝑠= 13 = 13 TEV的proton-Proton碰撞中，搜索在辐射量激量激量仪中腐烂的中性长颗粒（LLP）。分析由三个通道组成。第一个目标配对生产的LLP，其中至少一个LLP的产生具有足够低的增强，以至于其衰减产物可以作为单独的喷气机解析。第二和第三通道的目标LLP分别与衰减衰变的𝑊或𝑍玻色子相关。在每个通道中，不同的搜索区域针对不同的运动学制度，以涵盖广泛的LLP质量假设和模型。没有观察到相对于背景预测的事件过多。higgs玻色子分支分支到成对的一对大于1％的强烈衰减中性LLP，在95％的置信度下排除在95％的置信度下，适当的衰减长度在30 cm至4.5 m的适当范围内，这取决于LLP质量，这取决于LLP质量，这是先前搜索的Hadronic Caloremeter搜索量的三个因素。与横截面高于0.1 pb的𝑍玻色子相关的长寿命深光子的产生被排除在20 cm至50 m的范围内的深色光子平均衰减长度，从而通过数量级提高了先前的Atlas结果。最后，Atlas首次对长期的光轴轴向粒子模型进行了探测，生产横截面高于0.1 Pb，在0.1 mm至10 m范围内排除了0.1 Pb。
vurf：视频理解的通用推理和自我填写框架
最近的研究表明，大语模型（LLM）作为推理模块的有效性，可以将复杂的任务解构为更加可行的子任务，尤其是应用于图像的视觉推理任务时。相比之下，本文根据LLM的推理能力介绍了视频理解和推理框架（Vurf）。我们的一种新颖的方法是在视频任务的背景下扩展LLM的实用性，并利用它们从上下文框架内的最小输入和输出演示中概括的能力。我们通过使用成对的指令及其相应的高级程序来呈现LLM来利用他们的上下文学习能力，以生成可执行的视觉程序以供视频理解。为了提高计划的准确性和鲁棒性，我们实施了两种重要的策略。首先，我们采用由GPT-3.5提供支持的反馈生成方法，以纠正利用不支持功能的程序中的错误。其次，从最新的LLM输出自我进行的著作中汲取动机，我们通过将初始输出与LLM不受含义示例的结构限制的初始输出与本应生成的输出的结构对齐，从而提出了一种迭代程序，以提高内在示例的质量。我们在几个特定于视频的任务上的结果，包括视觉质量质量检查，视频预期，姿势估计和多效QA，说明了这些增强功能在提高视频任务的视觉编程方法方面的功效。
不完美的人...
我们介绍了AGSA，这是一个挑剔的造成巨型肌框架，该框架从高级人类的反馈中学习，以应对无奖励培训，安全探索和不完美的低级人类控制的挑战。最近的人类循环学习方法使人类参与者能够干预学习代理的控制并提供在线演示。尽管如此，这些方法在很大程度上依赖于完美的人类相互作用，包括准确的人监测干预决策和近乎最佳的人类示范。AGSA采用专用的门控剂来确定何时切换控制，从而减少了持续的人类监测的需求。为了获得精确且可预见的门控剂，AGSA从人类评估反馈中训练了对门控件的干预请求的评估反馈和对人类干预轨迹成对的偏好反馈。而不是依靠潜在的次优的示威演示，而是使用来自门控剂的控制转换信号对学习代理进行训练。我们提供了分别描述两种代理能力的性能界限的理论见解。在挑战连续控制环境中，在不同技能水平的模拟和实际人类参与者中进行了实验。比较结果强调，AGSA在培训安全性，政策绩效和用户友好方面对以前的人类学习的方法取得了重大改进。项目网页位于https://agsa4rl.github.io/。
人工智能与心脏病专家：2020 年你需要了解的内容
我们生活在一个临床和生物数据空前丰富的时代，这些数据包括电子健康记录、可穿戴传感器、生物医学成像和多组学。收集这些数据的规模、复杂性和速度要求统计学和计算机科学采用创新方法，利用人工智能 (AI) 的快速发展，有效地识别疾病过程的可行见解。现在，研究人员和临床心脏病专家必须对人工智能的优势、应用和局限性有基本的了解。在这种情况下，人工智能是指一组计算概念，可以概括为机器概括学习的能力，以便有效地自主完成复杂任务。机器学习 (ML) 通过使用算法来提高任务性能，而无需明确编程来实现这一点，并且可以大致分为监督方法和无监督方法。在监督学习中，成对的输入和输出变量之间的映射经过迭代优化，以用于回归和分类任务。在无监督学习中，只有输入数据可用，并且使用算法来查找固有的聚类或关联。近年来，机器学习已由深度学习 (DL) 主导，这是一种使用多层神经网络逐步获得复杂数据更抽象表示的方法。图 1 提供了 AI 领域的高级示意图。DL 算法由三种类型的层组成：输入层、隐藏层和输出层。网络架构和初始训练变量（超参数）是预先确定的。每个神经元都有一个激活函数，它定义给定集合的输出